【技术实现步骤摘要】
一种基于大数据多特征提取协同分类的电能质量扰动识别方法
本专利技术涉及电力信号检测及分析，特别涉及一种基于大数据多特征提取协同分类的电能质量扰动识别方法。
技术介绍
电力系统经济、稳定、安全运行是人民生产生活的重要保障。电能质量分析是维护高质量的电能的前提和依据，对电力系统的稳定安全运行具有重要作用。电能质量问题是导致用电设备故障或不能正常工作的电压、电流或者频率的偏差，包括频率偏差、电压偏差、电压波动与闪变、三相不平衡、暂时或瞬时过电压、谐波、电压暂降、中断、暂升以及供电连续性等。电能质量问题一直得到了世界范围内的普遍关注。目前，电网系统逐步走向智能化信息化时代，不断产生大量结构复杂的电力大数据。同时智能电网的快速发展，现场的电磁干扰以及负荷的频繁变化使得电能质量分析变得越来越难。单一特征量通常很难全面反映出电网运行状态。因此，我们提出一种基于大数据多特征提取协同分类的电能质量扰动识别的方法。
技术实现思路
为解决上述技术问题，本专利技术提供了一种基于大数据多特征提取协同分类的电能质量扰动识别方法，旨在对智能电网大数据进行简约及主元分析降维，利用改进广义S变换、广义...
【技术保护点】
1.一种基于大数据多特征提取协同分类的电能质量扰动识别方法，其特征在于：此识别方法包括以下步骤：(1)针对电能质量信号处理，利用模型提取特征向量：模型如下：(a)改进广义S变换模型：对标准广义S变换的窗函数w(τ‑t,σ)引入参数r＝σ×|f|来控制时频分辨率，对电能质量信号进行分析，提取特征向量；其中σ是关于频率f的尺度因子；(b)广义谐波小波包分解模型：将电能质量信号分解到任意频率宽度，根据频率宽度分解结果，对广义谐波小波包变换的离散形式中的起始频率和频带带宽进行重置，进而对电能质量信号进行分析，提取特征向量；(c)改进EEMD/LMD信号分解算法模型：根据电能质量信号...
【技术特征摘要】
1.一种基于大数据多特征提取协同分类的电能质量扰动识别方法，其特征在于：此识别方法包括以下步骤：(1)针对电能质量信号处理，利用模型提取特征向量：模型如下：(a)改进广义S变换模型：对标准广义S变换的窗函数w(τ-t,σ)引入参数r＝σ×|f|来控制时频分辨率，对电能质量信号进行分析，提取特征向量；其中σ是关于频率f的尺度因子；(b)广义谐波小波包分解模型：将电能质量信号分解到任意频率宽度，根据频率宽度分解结果，对广义谐波小波包变换的离散形式中的起始频率和频带带宽进行重置，进而对电能质量信号进行分析，提取特征向量；(c)改进EEMD/LMD信号分解算法模型：根据电能质量信号情况，选择EEMD信号分解算法或LMD信号分解算法对电能质量信号进行分解；其中利用EEMD信号分解算法引入高斯白噪声弥补电能质量信号在不同尺度上的间断性，利用LMD信号分解算法对信号进行平滑处理；(d)ε机模型：针对电能质量信号序列进行符号化处理，生成符号序列，再采取因果态分割重构法重构ε机，利用重构后的熵率、统计复杂度、状态数和相对熵率有效区分故障线路和非故障线路；(2)将步骤(1)中各模型提取的特征向量利用基于LZW算法的压缩感知器SRC进行压缩处理；然后采用ε机复杂系统辨识分类器εCSSR和神经网络ANN分别进行分类；其中，ε机复杂系统辨识分类器εCSSR采用因果态重构算法重构ε机组成，ε机复杂系统辨识分类器εCSSR和神经网络ANN需要进行训练，由不同类型典型的电能质量信号经过步骤(1)处理后，对ε机复杂系统辨识分类器εCSSR和神经网络ANN进行训练；(3)采用改进的决策模板法SWDT，使用混淆矩阵衡量各分类器对每组特征向量的识别能力，根据初步诊断情况自适应地为每组特征向量分类赋予决策权值，识别单一电能质量扰动及混合扰动。2.根据权利要求1所述的一种基于大数据多特征提取协同分类的电能质量扰动识别方法，其特征在于：所述改进广义S变换模型理论为：(1)广义S变换通过对标准S变换的窗函数引入参数r来控制时频分辨率，广义S变换定义为：式中x(t)为时域信号，τ为时移因子，σ是关于频率f的尺度因子，窗函数w(τ-t,σ)可表示为：式中基于傅里叶变换和卷积原理，GST的快速形式为：令τ→iT，f→n/NT，T为采样周期,N为信号长度,i、n分别对应时间采样点和频率采样点,则广义S变换的快速离散表达式为:式中为保证时域和频域扰动分辨率均能满足要求，对基频点f0处的r值进行独立设置,来提高时频扰动分辨率,对参数r进行约束则有:窗函数对应的离散形式变为:(2)改进广义S变换的步骤为：(a)对电能质量信号进行快速傅里叶计算，得到傅里叶频谱H(m),求得基频点n0；(b)自适应确定r0、rn,求取各频点ni(i＝1,2,…N)对应高斯窗函数的傅里叶变换w(m,ni)；(c)将H(m)移位得到H(m+ni)并与w(m,ni)相乘，求其傅里叶逆变换得到时频矩阵S(i,ni)；(d)重复步骤(b)-(c),得到所有频点n对应的分量，最终求得时频矩阵S(i,n)；通过引入调节参数使得窗函数的调节更加灵活，适用低频区域和高频区域，其窗函数能更好的维持高斯属性。3.根据权利要求1所述的一种基于大数据多特征提取协同分类的电能质量扰动识别方法，其特征在于：所述广义谐波小波包分解模型建立步骤如下：广义谐波小波的一般形式为式中频带带宽为2π(b-a)，分析频带中心为k/(b-a)；对广义谐波小波的一般形式进行离散化，则广义谐波小波变换的离散形式为：令分析频带各子带带宽和每级尺度分析频带的上、下限频率a、b分别为式中fs为采样频率；j为分解层数，得到广义谐波小波包变换的离散形式为：重置起始频率和频带带宽，设待分析频段为f1～f2，其中f1为起始频率，f2为终止频率(f1＜fs/2，f2＜fs/2)；则待分析频带宽度△f(△f+f1≤fs/2)为△f＝f2-f1，将起始频率f1加入到每级尺度分析频带的上、下限频率a、b中得到新上下限频率：为使算法更加灵活，将电能质量信号分解到任意频率宽度，引入分解层数k，k为大于1的整数；各子带带宽B变化为：将新的子带带宽和上下限频率带入广义谐波小波包变换的离散形式即可得改进的谐波小波包变换的离散形式。4.根据权利要求1所述的一种基于大数据多特征提取协同分类的电能质量扰动识别方法，其特征在于：所述改进EEMD/LMD信号分解算法模型中，LMD对扰动信号分解的具体步骤为：(a)确定任意信号的局部均值函数和包络估计函数；首先找出信号的局部极值点，然后计算相邻两个极值点的平均值mi和包络估计值ai，计算公式如下：对于所有的平均值{mi}和包络估计值{ai}，分别用直线将相邻的点连接起来构成两条折线，再通过滑动平均法对折线进行平滑处理，即得到局部均值函数m11(t)和包络估计函数a11(t)；(b)在原始信号中将局部均值函数分离出来；(c)对分离后的函数进行解调，即用步骤(b)分离后的函数除以步骤(a)求得的包络估计函数，计算公式如下：s11(t)＝h11(t)/a11(t)(1-3-1)(d)确定原始信号分解的第一个分量；计算公式如下：PF1(t)＝a1(t)s1n(t)，s1n(t)是通过步骤(c)不断迭代得到的调频信号，a1(t)是所有包络估计函数的乘积；(e)从原始信号中分离出第一个分量，得到一个新的信号，重复步骤(a)-(d)，直至新信号为一个单调函数为止；EEMD对扰动信号分解的具体步骤为：(a)对要分解的电能质量扰动信号添加高斯白噪声；得到新的带分解信号；(b)判断待分解信号的局部极大值与极小值；利用插值的方法求取上下包络线，计算出两包络线的均值，从待分解信号中减去均值得到第一个IMF分量，将IMF分量从信号中分离出来得到新信号r1；(c)将r1信号作为新的待分解对象，重复上述步骤得到剩余分量。5.根据权利要求1所述的一种基于大数据多特征提取协同分类的电能质量扰动识别方法，其特征在于：所述ε机模型建立步骤如下：(a)首先对各故障线路采用均值差分的符号化处理，将时间序列信号替代为某些保留必要信息的符号；(b)由于某些符号的取值概率与剩余线路中与其最为接近的线路差值较小，不容易分辨，出现一个导致混淆的线路，因此采用因果态分割重构算法重构ε机...
【专利技术属性】
技术研发人员：张淑清，陈荣飞，姜安琦，姚家琛，穆勇，郗渊博，郝光谱，张立国，刘勇，黄毅臣，董伟，张晓文，
申请(专利权)人：燕山大学，
类型：发明
国别省市：河北,13
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。